論文の概要: Graph Privacy: A Heterogeneous Federated GNN for Trans-Border Financial Data Circulation

• arxiv url: http://arxiv.org/abs/2505.00257v1
• Date: Thu, 01 May 2025 02:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.203184
• Title: Graph Privacy: A Heterogeneous Federated GNN for Trans-Border Financial Data Circulation
• Title（参考訳）: グラフプライバシ: 国境を越えた金融データ循環のための不均一なフェデレーションGNN
• Authors: Zhizhong Tan, Jiexin Zheng, Kevin Qi Zhang, Wenyong Wang,
• Abstract要約: 本稿では、国境を越えたフローと共有における金融データのプライバシー問題を解決するために、不均一なフェデレーショングラフニューラルネットワーク(HFGNN)アプローチを提案する。 この方法では、国境を越えた組織における異種ビジネスデータの分布をサブグラフとして扱う。 各サブグラフは、ローカルトレーニングを通じて対応するパーソナライズされたサービスモデルを学び、関連するサブグラフのサブセットを選択して更新する。
• 参考スコア（独自算出の注目度）: 0.5549794481031468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The sharing of external data has become a strong demand of financial institutions, but the privacy issue has led to the difficulty of interconnecting different platforms and the low degree of data openness. To effectively solve the privacy problem of financial data in trans-border flow and sharing, to ensure that the data is available but not visible, to realize the joint portrait of all kinds of heterogeneous data of business organizations in different industries, we propose a Heterogeneous Federated Graph Neural Network (HFGNN) approach. In this method, the distribution of heterogeneous business data of trans-border organizations is taken as subgraphs, and the sharing and circulation process among subgraphs is constructed as a statistically heterogeneous global graph through a central server. Each subgraph learns the corresponding personalized service model through local training to select and update the relevant subset of subgraphs with aggregated parameters, and effectively separates and combines topological and feature information among subgraphs. Finally, our simulation experimental results show that the proposed method has higher accuracy performance and faster convergence speed than existing methods.
• Abstract（参考訳）: 外部データの共有は金融機関の強い要求となっているが、プライバシー問題により、異なるプラットフォーム間の相互接続が困難になり、データの開放度も低くなった。 国境を越えたフローと共有における金融データのプライバシー問題を効果的に解決し、データの可視性を確保し、異なる産業におけるビジネス組織のあらゆる異種データの共同ポートレートを実現するために、異種グラフニューラルネットワーク(HFGNN)アプローチを提案する。 この方法では、国境を越えた組織の異質なビジネスデータの分布をサブグラフとし、中央サーバを介して統計学的に異質なグローバルグラフとしてサブグラフ間の共有と循環のプロセスを構築する。 各サブグラフは、局所的なトレーニングを通じて対応するパーソナライズされたサービスモデルを学び、関連するサブグラフのサブセットを集約されたパラメータで選択・更新し、トポロジと特徴情報を効果的に分離・結合する。 最後に, シミュレーション実験の結果, 提案手法は既存手法よりも精度が高く, 収束速度も速いことがわかった。

関連論文リスト

• Diversity-Driven Learning: Tackling Spurious Correlations and Data Heterogeneity in Federated Models [21.672445835824053]
  フェデレートラーニング(FL)は、分散データに基づく機械学習モデルの分散トレーニングを可能にする。 現実世界のFL設定では、クライアントデータは不特定に分散され、不均衡になることが多い。 FLにおける新しいクライアント選択アルゴリズムであるFedDiverseを提案する。
  論文  参考訳（メタデータ） (2025-04-15T14:20:42Z)
• Towards Federated Graph Learning in One-shot Communication [27.325478113745206]
  Federated Graph Learning(FGL)は、分散プライベートグラフ間のデータサイロを壊すための有望なパラダイムとして登場した。 ワンショットフェデレートラーニング(OFL)は1ラウンドでのコラボレーションを可能にするが、既存のOFLメソッドはグラフデータには有効ではない。 本稿では,ノード分類のための最初の$textbfO-pFGL$メソッド(textbfO-pFGL$)を提案する。
  論文  参考訳（メタデータ） (2024-11-18T05:59:29Z)
• FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
  textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。 我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:23:24Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Federated Neural Graph Databases [53.03085605769093]
  プライバシを保ちながらマルチソースグラフベースのデータの推論を可能にする新しいフレームワークであるFederated Neural Graph Database (FedNGDB)を提案する。 既存の方法とは異なり、FedNGDBは複雑なグラフ構造と関係を扱うことができ、様々な下流タスクに適合する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• FLASH: Federated Learning Across Simultaneous Heterogeneities [54.80435317208111]
  FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。 ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。 最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
  論文  参考訳（メタデータ） (2024-02-13T20:04:39Z)
• Federated Learning Empowered by Generative Content [55.576885852501775]
  フェデレートラーニング(FL)は、プライバシ保護方法でモデルのトレーニングに分散プライベートデータを活用可能にする。 本稿では,FedGCと呼ばれる新しいFLフレームワークを提案する。 我々は、さまざまなベースライン、データセット、シナリオ、モダリティをカバーする、FedGCに関する体系的な実証的研究を行う。
  論文  参考訳（メタデータ） (2023-12-10T07:38:56Z)
• Graph Learning Across Data Silos [10.448384704100684]
  本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。 データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。 本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-17T02:14:57Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Rethinking Data Heterogeneity in Federated Learning: Introducing a New Notion and Standard Benchmarks [65.34113135080105]
  我々は、現在のセットアップにおけるデータ不均一性の問題が必ずしも問題であるだけでなく、FL参加者にとって有益であることを示す。 私たちの観察は直感的である。 私たちのコードはhttps://github.com/MMorafah/FL-SC-NIIDで利用可能です。
  論文  参考訳（メタデータ） (2022-09-30T17:15:19Z)
• FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs [22.649780281947837]
  いくつかの実践的なシナリオでは、グラフデータは複数の分散パーティに別々に格納されます。 上記の課題に対処するために,egoグラフに基づくフェデレーショングラフ学習フレームワークであるFedEgoを提案する。
  論文  参考訳（メタデータ） (2022-08-29T15:47:36Z)
• Mitigating Data Heterogeneity in Federated Learning with Data Augmentation [26.226057709504733]
  Federated Learning(FL)は、集中型モデルのトレーニングを可能にするフレームワークである。 主な障害の1つは、データ不均一性、すなわち、各クライアントが独立に独立に分散した(非IID)データを持っていることである。 最近の証拠は、データ拡張が同等またはそれ以上のパフォーマンスを誘導できることを示している。
  論文  参考訳（メタデータ） (2022-06-20T19:47:43Z)
• FedGCN: Convergence-Communication Tradeoffs in Federated Training of Graph Convolutional Networks [14.824579000821272]
  我々はフェデレートグラフ畳み込みネットワーク(FedGCN)アルゴリズムを導入し、フェデレーション学習を用いてGCNモデルを訓練し、半教師付きノード分類を行う。 各トレーニングラウンドでクライアント間の余分な通信を必要とする従来の方法と比較して、FedGCNクライアントはトレーニング前の1ステップで中央サーバとのみ通信する。 実験の結果,FedGCNアルゴリズムは平均収束率51.7%,通信速度100倍の精度でモデル精度が向上した。
  論文  参考訳（メタデータ） (2022-01-28T21:39:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。